[发明专利]一种老人面部表情的情感识别模型的训练方法及装置

说明书

本发明公开了一种老人面部表情的情感识别模型的训练方法及装置，方法包括：1)、获取老人脸图像；2)、针对每一张老人脸图像，进行一阶差分和二阶差分处理。再利用预设的小波包尺度函数获取小波包基函数，并根据小波包尺度函数以及小波包基函数，利用卷积算法，获取老人脸图像、一阶差分图像和二阶差分图像的小波包子带；3)、对小波包子带的小波包系数进行统计处理，获取对应于各张老人脸图像的小波包子带的目标特征向量；4)、将目标特征项向量以及对应的表情标签值输入到预先构建的卷积神经网络模型中，训练卷积神经网络模型至收敛，得到训练后的老人面部表情的情感识别模型。应用本发明实施例，可以提高老人面部表情的情感识别的准确率。

技术领域

本发明涉及一种老人面部表情的情感识别模型的训练方法及装置，更具体涉及一种老人面部表情的情感识别模型的训练方法及装置。

背景技术

随着人们生活水平的提高和城镇化改革加速，人口老龄化的现象加剧，我国城镇老龄人口“空巢化”的现象也呈现日益增长的趋势。空巢现象是一个不容忽视的社会问题。老年人作为弱势群体，在成为空巢老人，缺乏子女照料的情况下更容易导致老年人身体上、精神上出现问题。因此关注空巢现象，关爱空巢老人的情感状态具有非常迫切的现实需要。

人脸表情识别是指从给定的静态人脸图像或动态视频序列中分离出特定的表情状态，实现计算机对人的表情和心理情绪的理解与识别。表情识别是情感理解的基础，是计算机理解人们情感的前提。随着人工智能技术的迅速发展，人机交互的需求日益增长。表情识别作为一种良好的人机互动方式，在近些年受到了众多学者的重视。面部表情是能通过外表能自然察觉到的情感信息，人脸情感识别的研究可以使计算机更智能、更高效的为人们服务。

人脸表情识别中，表情特征提取是最关键的环节。特征的好坏直接决定着人脸表情识别性能的高低，人脸表情特征主要有灰度特征、频率特征和运动特征。提取表情特征的方法主要有几何特征提取方法、外貌特征提取方法、特征点跟踪法、弹性图匹配法等。目前，深度学习因其具有让计算机自动学习出模式特征，并将特征学习融入到建立模型的过程中的优点，在各个领域都有广泛的应用。由于人为设计特征造成的不完备性，以及特征提取的方法容易导致部分表情特征表述信息的丢失，进而导致现有技术中存在老人脸图像中的表情识别不够准确的技术问题。

发明内容

本发明所要解决的技术问题在于提供了一种老人面部表情的情感识别模型的训练方法及装置。

本发明是通过以下技术方案解决上述技术问题的：

本发明实施例提供了一种老人面部表情的情感识别模型的训练方法，所述方法包括：

1)、获取老人脸图像；

2)、针对每一张包含老人脸的面部图像，进行一阶差分和二阶差分处理；再利用预设的小波包尺度函数获取小波包基函数，并根据所述小波包尺度函数以及小波包基函数，利用卷积算法，获取所述老人脸图像的小波包子带、一阶差分图像小波包子带和二阶差分图像的小波包子带；

3)、对各个小波包子带的小波包系数进行统计处理，获取对应于各张老人脸图像的小波包子带的所对应的小波包系数，形成目标特征向量，其中，特征向量包括：小波包系数的最小值、最大值、均值、方差以及中位数；

4)、将目标特征项向量以及对应的表情标签值输入到预先构建的卷积神经网络模型中，训练所述卷积神经网络模型至收敛，得到训练后的老人面部表情的情感识别模型，其中，所述卷积神经网络包括：若干层卷积层、池化层、全连接层以及输出层。

可选的，所述方法还包括：

获取待识别老人脸图像，并利用训练后的老人面部表情的情感识别模型识别所述待识别老人脸图像所属情感类别。

可选的，所述步骤2)，包括：